基于Mean_Teache...腹部多器官CT影像分割方法_沈南燕.pdf
《基于Mean_Teache...腹部多器官CT影像分割方法_沈南燕.pdf》由会员分享,可在线阅读,更多相关《基于Mean_Teache...腹部多器官CT影像分割方法_沈南燕.pdf(2页珍藏版)》请在咨信网上搜索。
1、工业控制计算机2023年第36卷第1期*跨模态信息融合的宫颈癌一体化智能筛查与辅助诊断的体系构建及应用推广,项目来源:上海市经济和信息化委员会,项目领域:医疗健康领域应用算法攻关基于深度学习的图像分割方法相较于传统方法具有自动化程度高和鲁棒性好等优势,是医学影像分割领域的研究热点1。然而,目前主流的医学影像分割算法是基于监督学习的,在应对腹部多器官分割这类复杂的图像分割任务时,由于制作标记数据的成本高,缺少高质量的标记数据集,导致基于监督学习的方法分割效果不佳。本文基于Mean Teacher实现一种半监督腹部多器官CT影像分割方法,能够使用无标记的腹部CT影像来提升多器官的分割效果,极大地降
2、低了制作标记数据的成本。1Mean Teacher方法原理Mean Teacher是一种常见的半监督学习方法,最早被应用于分类领域2。该方法发现当影像出现轻微变化时,人类通常仍然将其识别为同一对象。为了使深度学习模型实现类似的效果,Mean Teacher中使用无需标签的一致性正则化损失,以保证 在 不 同 数 据 扰 动 下 的 模 型 具 有 相 同 的 预 测 结 果。MeanTeacher的原理如图1所示,其由结构相同的学生模型和教师模型组成,其中教师模型用于生成供学生模型学习的预测结果,而学生模型则通过优化由监督学习损失和一致性正则化损失构成的联合损失来更新参数。图1Mean Tea
3、cher方法原理图Mean Teacher中一般使用均方误差(Mean Square Er-ror,MSE)作为一致性正则化损失。教师模型不使用损失函数来训练,其参数通过指数平移平均法(Exponential Moving Aver-age,EMA)更新,可由以下公式表示:t=t-1+(1-)t(1)其中t为学生模型在训练周期为t时的模型参数;t-1和t分别为教师模型在训练周期为t-1和t时的模型参数;是更新过程中保留原本参数的权重,一般设置为0.99。2结合多尺度预测的Mean Teacher框架在腹部多器官分割中,不同器官间存在的巨大尺寸差异是导致模型分割效果不佳的原因之一。为了使分割模型
4、对不同尺度上轻微变化的均能产生一致的预测结果,本文提出一种结合多尺度预测的Mean Teacher框架,即期望在相同的数据扰动下,模型的多尺度的输出都能够保持一致的预测结果。因此本文首先提出一种具有多尺度预测的学生和教师模型,其结构如图2所示,包含一个U-Net模型3和一个多尺度预测模型,多尺度预测模型将U-Net模型中解码器各网络层输出的多尺度特征图上采样至同一尺寸,并通过11的卷积和softmax激活函数计算获得相应多尺度预测结果。在测试模型时,采用多尺度预测结果的均值作为最终的输出结果。图2学生和教师模型结构对于数据扰动的选择,本文采用了包含旋转、平移、错切和基于 Mean Teache
5、r 的半监督腹部多器官 CT 影像分割方法*Semi-supervised Abdominal Multi-organ CT Image Segmentation MethodBased on Mean Teacher沈南燕王子彦李静(上海大学机电工程与自动化学院,上海200444)摘要:针对基于监督学习的深度学习分割方法在应对腹部多器官CT影像分割任务中,标注成本过高、缺少高质量标记数据而导致分割效果不佳的问题,基于Mean Teacher提出一种结合多尺度预测的半监督腹部多器官分割方法。实验证明该方法可利用无标记数据实现多器官分割效果的较大提升。关键词:Mean Teacher;半监督学习
6、;多器官分割Abstract:Aiming at the problem that the labeling cost of deep learning segmentation method based on supervisedlearning is too high in dealing with abdominal multi-organ CT image segmentation tasks,and the lack of high-quality label-ing data leads to poor segmentation results,a semi-supervised
7、abdominal multi-organ segmentation method combiningmulti-scale prediction is proposed based on Mean Teacher in this paper.Experiments show that this method can greatlyimprove the multi-organ segmentation effect by using unlabeled data.Keywords:Mean Teacher,semi-supervised,multi-organ segmentation107
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 Mean_Teache 腹部 器官 CT 影像 分割 方法 南燕
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。